Luận văn Nghiên cứu các kỹ thuật nhận dạng mẫu và ứng dụng đánh giá chất lượng trái bưởi

1 BỘ GIÁO DỤC VÀ ĐÀO TẠO ĐẠI HỌC ĐÀ NẴNG HỒ ĐỨC LĨNH NGHIÊN CỨU CÁC KỸ THUẬT NHẬN DẠNG MẪU VÀ ỨNG DỤNG ĐÁNH GIÁ CHẤT LƯỢNG TRÁI BƯỞI Chuyên ngành : Khoa học máy tính Mã số : 60.48.01 TÓM TẮT LUẬN VĂN THẠC SĨ KỸ THUẬT Đà Nẵng - Năm 2012 2 Công trình ñược hoàn thành tại ĐẠI HỌC ĐÀ NẴNG Người hướng dẫn khoa học: TS. HUỲNH HỮU HƯNG Phản biện 1 : PGS.TS. PHAN HUY KHÁNH Phản biện 2 : TS. TRƯƠNG CÔNG TUẤN Luận văn ñược bảo vệ tại Hội ñồng chấm Luận văn tốt nghiệp thạc sĩ kỹ thuật họp tại Đại học Đà Nẵng vào ngày 15 tháng 12 năm 2012 Có thể tìm hiểu luận văn tại: - Trung tâm Thông tin - Học liệu, Đại học Đà Nẵng; - Trung tâm Học liệu, Đại học Đà Nẵng; 3 MỞ ĐẦU 1. LÝ DO CHỌN ĐỀ TÀI Nhằm giảm thiểu số lượng trường hợp ngộ ñộc thực phẩm ngày càng tăng trên thế giới và trong nước do ăn phải những quả trái cây kém chất lượng; ñể tạo ra những sản phẩm chất lượng cao, an toàn, tiến tới sự ổn ñịnh về chất lượng; nhằm tăng cường khả năng cạnh tranh của trái cây Việt Nam, ñặc biệt là các loại trái bưởi có giá trị kinh tế cao như Bưởi Năm roi, Bưởi Da Xanh, .v.v. trên thị trường khu vực và thế giới. An toàn thực phẩm theo hướng GAP là vấn ñề sống còn của rau quả Việt Nam. Đề tài tiếp cận ở khâu cuối cùng của tiêu chuẩn GAP nhằm kiểm soát và ñánh giá chất lượng trái Bưởi trước khi ñưa vào ñóng gói và xuất khẩu ra thị trường: Rau quả ñược thu hoạch ñúng ñộ chín, loại bỏ các quả bị héo, bị sâu, dị dạng .v.v. Hiện nay, ở nước ta những công việc này hầu hết ñược thực hiện thủ công. Đề tài sẽ tập trung nghiên cứu các kỹ thuật xử lý ảnh số và nhận dạng mẫu ñể giải quyết bài toán này. Việc ñánh giá chất lượng trái cây ñã ñược thực hiện bởi nhiều nhà nghiên cứu, một số công trình nghiên cứu tiêu biểu và mới nhất ñược giới thiệu trong mục 1.10 của cuốn luận văn này. Hầu hết họ ñều dựa trên các ñặc trưng quan trọng của trái cây như: kích thước, hình dáng, màu sắc và kết cấu bề mặt. 2. MỤC TIÊU VÀ NHIỆM VỤ CỦA ĐỀ TÀI
Mục tiêu của ñề tài Nhận dạng và ñánh giá chất lượng của trái Bưởi bằng các kỹ thuật xử lý ảnh số và nhận dạng mẫu mà không phá vỡ cấu trúc bề 4 mặt của chúng.
Nhiệm vụ của ñề tài - Nghiên cứu các kỹ thuật xử lý ảnh và các phương pháp nhận dạng trái cây. - Thu thập, xây dựng cơ sở dữ liệu ảnh trái Bưởi (quả ñạt chất lượng tốt và quả có các khuyết tật, dị dạng, ...) - Nghiên cứu các phương pháp tiếp cận và kỹ thuật ñánh giá chất lượng trái cây, kiểm tra bề mặt trái cây. 3. ĐỐI TƯỢNG VÀ PHẠM VI NGHIÊN CỨU
Đối tượng nghiên cứu: Một số loại Bưởi xuất khẩu của Việt Nam.
Phạm vi nghiên cứu - Nghiên cứu các kỹ thuật xử lý ảnh và nhận dạng trái Bưởi. - Nghiên cứu các phương pháp phát hiện khuyết ñiểm trên bề mặt trái Bưởi ñể tiến tới ñánh giá chất lượng trái trái Bưởi. 4. PHƯƠNG PHÁP NGHIÊN CỨU
Phương pháp tài liệu - Tìm hiểu các kỹ thuật xử lý ảnh số; Tìm hiểu các kỹ thuật nhận dạng ñối tượng, nhận dạng mẫu; Tìm hiểu các phương pháp ñánh giá chất lượng sản phẩm trái cây. - Tìm hiểu một số công cụ hỗ trợ lập trình. 5
Phương pháp thực nghiệm - Xây dựng cở sở dữ liệu ảnh huấn luyện (thu thập ảnh trái Bưởi ñạt chuẩn xuất khẩu và ảnh trái Bưởi có khuyết tật). - Cài ñặt chương trình thử nghiệm với một số mẫu dữ liệu và ñánh giá kết quả. 5. Ý NGHĨA KHOA HỌC VÀ THỰC TIỄN
Ý nghĩa khoa học - Nghiên cứu các kỹ thuật xỷ lý ảnh và nhận dạng mẫu. - Nghiên cứu một số giải thuật, phương pháp ñể ñánh giá chất lượng trái Bưởi. - Ứng dụng công nghệ xử lý ảnh số và nhận dạng vào bài toán thực tế.
Ý nghĩa thực tiễn - Giải quyết bài toán: Kiểm tra, tuyển chọn và ñánh giá chất lượng trái Bưởi tại Việt Nam. - Ứng dụng các kỹ thuật xử lý ảnh và nhận dạng mẫu, ñối tượng ñể ứng dụng vào lĩnh vực phân loại và tuyển chọn chất lượng thực phẩm cho kết quả tốt, giá thành thấp và nhanh chóng. - Đề tài cũng mong muốn trở thành một chủ ñề mới ñể các nhà nghiên cứu khác có thể tiếp tục nghiên cứu sang các 6 lĩnh vực liên quan khác, như ñánh giá chất lượng rau sạch, hải sản, v.v. 6. BỐ CỤC LUẬN VĂN Nội dung của luận văn ñược trình bày bao gồm các phần chính như sau: Mở ñầu Chương 1: Nghiên cứu tổng quan về xử lý ảnh số và nhận dạng Chương 2: Trích lọc ñặc trưng và nhận dạng Chương 3: Kết quả nhận dạng và phát hiện khuyết ñiểm Kết luận và hướng phát triển. CHƯƠNG 1. NGHIÊN CỨU TỔNG QUAN VỀ XỬ LÝ ẢNH SỐ VÀ NHẬN DẠNG 1.1. GIỚI THIỆU CHUNG VỀ XỬ LÝ ẢNH SỐ VÀ ỨNG DỤNG 1.2. TỔNG QUAN VỀ XỬ LÝ ẢNH SỐ Các bước chính trong xử lý ảnh số ñược thể hiện ở hình dưới ñây [1], [14], [16], [19]. 7 Hình 1.1: Các bước chính trong xử lý ảnh số. 1.3. XỬ LÝ MỨC THẤP 1.3.1. Thu nhận ảnh 1.3.2. Tiền xử lý ảnh 1.3.2.1. Khử nhiễu 1.3.2.2. Bộ lọc trong miền không gian 1.3.2.3. Bộ lọc trong miền tần số 1.4. XỬ LÝ MỨC TRUNG 1.4.1. Phân ñoạn ảnh Phân ñoạn ảnh có thể thực hiện bởi ba kỹ thuật cơ bản: phân ñoạn ảnh dựa trên ngưỡng, dựa trên biên và dựa trên vùng [1], [14], [19], [20]. 1.4.1.1. Phân ñoạn ảnh dựa trên ngưỡng 1.4.1.2. Phân ñoạn ảnh dựa trên biên 1.4.1.3. Phân ñoạn ảnh dựa trên vùng 1.4.2. Biểu diễn và mô tả ảnh 1.4.2.1. Biểu diễn ảnh 1.4.2.2. Mô tả ảnh 1.5. XỬ LÝ MỨC CAO Xử lý mức cao trong xử lý ảnh bao gồm: Nhận dạng ảnh và nội suy ảnh. 1.6. CƠ SƠ TRI THỨC 8 1.7. CÁC KHÔNG GIAN MÀU VÀ ẢNH MÀU 1.7.1. Màu trong xử lý ảnh số 1.7.2. Không gian màu RGB 1.7.3. Không gian màu HSV Không gian màu HSV còn ñược gọi là không gian màu HSB. Các giá trị sắc ñộ, ñộ bão hòa và giá trị ñộ sáng ñược sử dụng làm các trục tọa ñộ. 1.7.4. Không gian màu của CIE 1.7.4.1. Không gian màu CIE XYZ Không gian màu XYZ do CIE ñề xuất với ba màu cơ bản X, Y, Z. Hệ tọa ñộ không gian màu XYZ ñược chọn làm sao cho các vector màu thực (nằm trong quang phổ) ñều ñi qua tam giác màu ñơn vị XYZ. 1.7.4.2. Không gian màu CIE L*a*b* Không gian màu L*a*b* ñược CIE ñề xuất vào năm 1976. Các miền giá trị của không gian màu này là thành phần ñộ sáng L* có giá trị từ ñen (-L) ñến trắng (+L) và hai thành phần màu sắc a*, b* mô tả sắc ñộ và ñộ bão hòa có giá trị lần lượt trên các trục từ màu xanh lá cây (-a) ñến màu ñỏ (+a) và từ màu xanh dương (-b) ñến màu vàng (+b) [16]. 1.8. XỬ LÝ HÌNH THÁI HỌC TRÊN ẢNH 1.8.1. Khái niệm cơ bản Phần tử cấu trúc (Structuring element): Đôi khi ñược gọi là một nhân (Kernel). Có hai loại phần tử cấu trúc: phần tử cấu trúc phẳng 9 và phần tử cấu trúc không phẳng. Mỗi loại phần tử cấu trúc ñều có hình dáng khác nhau. Phần lớn các phép toán hình thái học ñược ñịnh nghĩa từ hai phép toán cơ bản là phép toán co ảnh (Erosion) và giãn ảnh (Dilation). 1.8.2. Phép co và giản ảnh 1.8.2.1. Phép co ảnh Phép toán co ảnh của ảnh xám I với cấu trúc phần tử không phẳng H tại vị trí (x, y) của ảnh I ñược xác ñịnh như sau: (I⊖H)(x, y) = min(I(x+i, y+j) - H(i, j) | (i, j)∈ DH) (1.12) 1.8.2.2. Phép giãn ảnh Phép toán giãn ảnh của ảnh xám I với cấu trúc phần tử không phẳng H tại vị trí (x, y) của ảnh I ñược xác ñịnh như sau: (I⊕H)(x, y) = max(I(x+i, y+j)+H(i, j) | (i, j)∈ DH) (1.13) 1.8.3. Phép ñóng và mở ảnh 1.8.3.1. Phép mở ảnh Gọi A là ñối tượng trong hình ảnh và B là phần tử cấu trúc, () là ký hiệu của phép mở ảnh giữa tập hợp A và phần tử cấu trúc B, phép mở ảnh ñược xác ñịnh bởi công thức: AB = (A⊖B)⊕B (1.14) 1.8.3.2. Phép ñóng ảnh Với tập hợp A là ñối tượng trong ảnh, B là phần tử cấu trúc. ( )• là ký hiệu phép ñóng ảnh. Khi ñó phép ñóng ảnh của tập hợp A bởi Phần tử cấu trúc B, kí hiệu là ( )A B• , xác ñịnh bởi: ( )A B• = ( )A B⊕ B (1.15) 1.9. BIẾN ĐỔI WAVELET 10 1.9.1. Biến ñổi Wavelet và ứng dụng 1.9.2. Biến ñổi Wavelet rời rạc Trong xử lý ảnh thực phẩm, DWT 2-D thường ñược sử dụng ñể nén ảnh ñầu vào. Ảnh sau khi nén ñược ñưa vào ma trận GLCM ñể tính toán các ñặc trưng kết cấu trong ảnh phục vụ cho công việc nhận dạng ảnh [6], [22]. 1.10. MỘT SỐ CÔNG TRÌNH NGHIÊN CỨU LIÊN QUAN ĐẾN ĐỀ TÀI VÀ KẾT QUẢ 1.10.1. Nhận dạng trái cây Angel Dacal-Nieto và các cộng sự [2] ñã tiến hành ñánh giá chất lượng củ khoai tây dựa trên ñặc trưng màu sắc và kết cấu. Các tác giả ở [3] ñã phát triển một thuật toán nhận dạng ñể phân loại thực phẩm dựa trên ñặc trưng hình dáng và kết cấu. Hetal N. Patel và các cộng sự [5] ñã ñề xuất phương pháp nhận dạng trái cây ở trên cây (fruit on tree) dựa trên các ñặc trưng: Cường ñộ sáng, màu sắc, biên, và hướng. Các nhà nghiên cứu [6] ñã ñề xuất mô hình nhận dạng trái cây dựa trên ñặc trưng về màu sắc và kết cấu bề mặt. 1.10.2. Phát hiện khuyết ñiểm trên bề mặt trái cây Panli HE [4] ñã ñề xuất mô hình phát hiện khuyết ñiểm trên bề mặt trái cây dựa trên biến ñổi Fourier và phân lớp khuyết ñiểm bằng phương pháp SVM. Deepesh Kumar Srivastava [7] ñã ñề xuất phương pháp khử chói trong ảnh và phát hiện khuyết ñiểm trên bề mặt trái cây sử dụng bộ lọc Gabor. 11 Các tác giả [10] ñã ñề xuất một phương pháp ñể phát hiện khuyết ñiểm trên bề mặt những trái cây thuộc giống cam quít dựa trên các ñặc trưng màu sắc. Md. Zahangir Alom và Hyo Jong Lee [11] ñề xuất phương pháp phân ñoạn ảnh Gaussian Mean (GM) ñể phát hiện bệnh tật trên lá lúa. CHƯƠNG 2. TRÍCH LỌC ĐẶC TRƯNG VÀ NHẬN DẠNG 2.1. MÔ HÌNH HỆ THỐNG NHẬN DẠNG TRÁI BƯỞI Sau quá trình nghiên cứu và thực nghiệm, tác giả xin ñề xuất mô hình nhận dạng trái Bưởi như hình 2.1. 2.2. THU NHẬN ẢNH Ảnh trái Bưởi ñược thu nhận thông qua các thiết bị chụp ảnh (máy ảnh Cannon) có ñộ phân giải cao. Tác giả ñề xuất chụp ảnh trái Bưởi trong tư thế ñể thẳng ñứng và phải chụp ở hai mặt của trái Bưởi (phương nằm ngang vuông góc với trái Bưởi). 2.3. TRÍCH LỌC ĐẶC TRƯNG Trong lĩnh vực nhận dạng ảnh trái cây có 4 ñặc trưng cơ bản ñó là: kích thước, màu sắc, hình dáng và kết cấu [1]. Tuy nhiên, ñối với trái Bưởi tác giả ñề xuất chỉ sử dụng 3 ñặc trưng: Màu sắc, hình dáng và kết cấu ñể nhận dạng. Hình 2.1: Sơ ñồ nhận dạng trái Bưởi 12 2.3.1. Màu sắc Để tách ñược ñặc trưng về màu sắc, tác giả chọn không gian màu HSV. 2.3.1.1. Thuật toán chuyển ảnh màu RGB sang ảnh màu HSV Thuật toán chuyển ñổi RGB sang HSV ñược ñưa ra bởi Travis. Các giá trị của S và V nằm trong khoảng 0 (màu ñen) và 1 (màu trắng), giá trị của H nằm trong khoảng 0 ñến 360o. 2.3.1.1. Thuật toán chuyển ảnh màu HSV sang ảnh màu RGB 2.3.2. Hình dáng 2.3.2.1. Các phương pháp ño lường hình dáng trái cây Có rất nhiều phương pháp khác nhau ñể ño lường hình dáng ñược áp dụng trong lĩnh vực xử lý ảnh trái cây, bao gồm hai loại [1]: ño lường phụ thuộc vào kích thước - SMD và ño lường không phụ thuộc vào kích thước - SIM. 2.3.2.2. Đề xuất phương pháp ño lường hình dáng trái Bưởi. Đối với trái Bưởi tôi xin ñề xuất phương pháp ño lường hình dáng bằng phương pháp SDM sử dụng tham số ñộ rắn chắc của ñối tượng ảnh. Hình 2.3 là sơ ñồ ño lường ñặc trưng hình dáng của trái Bưởi. Độ lớn của hình dáng trái Bưởi ñược tính toán dựa trên diện tích và chu vi theo công thức sau [23]: 2)vi_chu( tich_dien4pi (2.4) 2.3.3. Kết cấu bề mặt Hình 2.3: Sơ ñồ ño lường ñặc trưng hình dáng của trái Bưởi. 13 Kết cấu của ảnh mô tả các thuộc tính của các yếu tố cấu thành nên bề mặt ñối tượng. 2.3.3.1. Các phương pháp phân tích ñặc trưng kết cấu ảnh Hiện nay, có rất nhiều phương pháp ñược ñề xuất ñể phân tích và ño lường kết cấu trong ảnh nhưng có thể phân chúng thành 4 loại [25], [26]: - Phương pháp thống kê – Statistical methods - Phương pháp cấu trúc – Structural methods - Phương pháp dựa trên biến ñổi – Transform-based methods - Phương pháp dựa trên mô hình hóa – Model-based methods 2.3.3.2. Đề xuất phương pháp ño lường ñặc trưng kết cấu Tác giả xin ñề xuất sơ ñồ trích lọc ñặc trưng kết cấu như ở hình 2.6. Hình 2.6: Sơ ñồ trích lọc và ño lường ñặc trưng kết cấu. 2.3.3.3. Sóng con Gabor Trong xử lý ảnh, bộ lọc Gabor là một bộ lọc tuyến tính thường ñược sử dụng ñể phát hiện biên, phần vùng ảnh, phân tích ñặc trưng ảnh, phân lớp ảnh. Tần số và hướng ñược thể hiện trong các bộ lọc Gabor tương tự như hệ thống thị giác của con người. Hàm sóng con Gabor trong miền không gian có dạng như sau [27]: )'2cos() 2 '' exp(),( 2 222 ,,,, ϕλpiσ γ γσϕθλ + + −= xyxyxg (2.5) 14 Trong ñó, )sin()cos(' θθ yxx += , và )cos()sin(' θθ yxy +−= . Bước sóng (λ - lamda) ñại diện cho sóng của các tác nhân cosine của hàm Gaussian, hướng (θ - theta) ñại diện cho hướng của các ñường gạch sọc song song của hàm Gabor tại một góc nào ñó (ñộ), ñộ lệch pha (φ - phi) theo góc, và tỉ lệ hướng (γ - gamma) là tỷ lệ co giãn trong không gian và nó xác ñịnh tính ñơn giản của hàm Gabor, và ñộ lệch chuẩn σ xác ñịnh kích thước của hàm Gaussian tuyến tính. 2.3.3.4. Ma trận ñồng hiện mức xám Co-occurrence GLCM của ảnh f(x,y) có kích thước MxM và có G mức ñộ xám là một ma trận hai chiều C(i, j). Mỗi phần tử của ma trận thể hiện xác suất xảy ra cùng giá trị cường ñộ sáng i và j tại một khoảng cách d và một góc xác ñịnh. Do ñó, có thể có nhiều ma trận GLCM khác nhau phụ thuộc vào cặp giá trị d và . GLCM ñược tính toán như sau [1]: jyxfiyxf yxyx dyyxx MxMyxyxNjiCd == =Θ =−− ∈= ),(,),( )),(),,(( )||,max(| )),(),,((),( 2211 2211 2121 2211 θθ (2.7) Haralick ñã ñề nghị một tập hợp gồm 14 ñặc trưng có thể tính toán ñược từ ma trận ñồng hiện mức xám GLCM có thể ñược sử dụng ñể phân lớp kết cấu hình ảnh. Tuy nhiên, trong ñề tài này tác giả chỉ chọn lọc 05 ñặc trưng phù hợp với bài toán: năng lượng (energy), ñộ tương phản (contrast), entropy, ñộ tương ñồng (Correlation), tính ñồng nhất (homogeneity).
Đặc trưng năng lượng: Đặc trưng năng lượng F1 ñược tính toán như sau: 15 ∑∑ = = = G i G j jiCF 1 1 2 1 ),( (2.8) Công thức này ño lường tính ñồng nhất cục bộ trong ảnh. Giá trị của F1 nằm trong khoảng [0, 1]. Nếu F1 = 1 thì ảnh có giá trị mức xám ñều.
Độ tương phản: Độ tương phản F2 ñược tính như sau: ∑∑ = = −= G i G j jiCjiF 1 1 2 2 ),()( (2.9) Công thức này cho chúng ta biết ñược số lượng ñiểm ảnh có mức ñộ xám biến ñổi cục bộ trong ảnh. Giá trị F2 nằm trong khoảng [0, (size(GLCM,1)-1)2].
Độ tương ñồng: Độ tương ñồng F3 ñược tính như sau: ∑∑ = = −− = G i G j ji ji jiCjiF 1 1 3 ),())(( σσ µµ (2.10) Trong ñó, iµ , jµ và iσ , jσ lần lượt là giá trị trung bình và ñộ lệch chuẩn của tổng hàng và cột trong ma trận. iµ , jµ và iσ , jσ ñược tính như sau: ∑ ∑ = = = G i G j i jiCi 1 1 ),(µ , ∑ ∑ = = = G j G i j jiCj 1 1 ),(µ , ∑ ∑ = = −= G i G j ii jiCi 1 1 2 ),()( µσ , ∑ ∑ = = −= G i G j jj jiCj 1 1 2 ),()( µσ (2.11) Tham số này phân tích sự phụ thuộc tuyến tính mức ñộ xám của các ñiểm ảnh lân cận nhau. Giá trị của F3 nằm trong khoảng [-1, 1].
Entropy: Entropy F4 ñược tính toán như sau: ∑∑ = = −= G i G j jiCjiCF 1 1 4 ),(log),( (2.12) Entropy ño lường tính ngẫu nhiên của các phần tử của ma trận GLCM. Giá trị của F4 nằm trong khoảng [0, 1]. 16
Tính ñồng nhất: Tính ñống nhất F5 ñược tính toán như sau: ∑∑ = = −+ = G i G j ji jiCF 1 1 5 ||1 ),( (2.13) Đặc trưng tính ñồng nhất ño lường tính khít hoặc tính dày ñặc ñược phân bố trong không gian của ma trận GLCM. Giá trị của F5 nằm trong khoảng [0, 1]. 2.4. PHÂN LỚP TRÁI BƯỞI SỬ DỤNG THUẬT TOÁN k – NN 2.4.1. Thuật toán k – NN k-NN là thuật toán phân lớp các ñối tượng dựa trên khoảng cách gần nhất giữa các ñối tượng bao gồm ñối tượng cần phân lớp và tất cả các ñối tượng trong tập huấn luyện. Giả sử chúng ta có hai vector xr và xs, trong không gian hai chiều vector xr có giá trị là xr(xr1, xr2) và vector xs có giá trị là xs(xr1, xs2). Khoảng cách giữa hai vector này ñược tính toán theo công thức như sau: 2 22 2 11 )()(||),( srsrsrsr xxxxxxxxd −+−=−= (2.14) 2.4.2. Thuật toán k – NN và các tham số phân loại trái bưởi Đối với bài toán nhận dạng trái Bưởi, các tham số ñặc trưng ñã trích lọc sẽ ñược ñưa vào làm giá trị ñầu vào cho k-NN. Tương ưng với mỗi ảnh ñầu vào chúng ta sẽ có một vector chứa 12 tham số: Tham số màu sắc bao gồm: Giá trị trung của mỗi kênh màu HSV và ñộ lệch chuẩn của mỗi kênh màu trong không gian màu HSV. Tham số về hình dáng bao gồm: Độ rắn chắc. 17 Tham số về kết cấu bề mặt bao gồm: Entropy, ñộ tương phản, ñộ tương ñồng, năng lượng và tính ñồng nhất. 2.5. PHÁT HIỆN KHUYẾT ĐIỂM TRÊN BỀ MẶT TRÁI BƯỞI 2.5.1. Mô hình hệ thống kiểm tra và phát hiện khuyết ñiểm Qua quá trình nghiên cứu, tác giả xin ñề xuất mô hình phát hiện khuyết ñiểm trên bề mặt trái Bưởi như hình 2.11. 2.5.2. Chuyển không gian màu RGB sang CIE L*a*b* và ngược lại Để chuyển ñổi từ không gian màu RGB sang không gian màu CIE L*a*b* chúng ta thực hiện các bước như sau [17], [28]: Chuyển từ không gian màu RGB sang không gian màu CIE XYZ và ngược lại.           =           − B G R M Z Y X RGB 1 ,           =           Z Y X M B G R RGB (2.16) Trong ñó:           = − 950227.0119193.0019334.0 072169.0715160.0212671.0 180423.0357580.0412453.0 1 RGBM ,           − − −− = 057311.1204043.0055648.0 041556.0875992.1969256.0 498535.0537150.1240479.3 RGBM Chuyển từ không gian màu CIE XYZ sang không gian màu CIE L*a*b*. L* = 116Y’ – 16 a* = 500(X’ – Y’), b* = 200(Y’ – Z’), (2.17) Trong ñó: Hình 2.11: Mô hình phát hiện khuyết tật trên bề mặt trái Bưởi. 18 X’ = f(X/Xref), Y’ = f(Y/Yref), Z’ = f(Z/Zref), và 0.008856 c if 0.008856 c if 16/116 7.787c )( 3/1 ≤ >    + = c cf (2.18) Thông thường, D56 ñược chọn là giá trị tham chiếu cho các ñiểm trắng Cref = (Xref, Yref, Zref). Tức là Xref = 0.950456, Yref = 1.000000 và Zref = 1.088754. Giá trị L* là số dương nằm trong khoảng [0, 100], các giá trị của a* và b* nằm trong khoảng từ [-127, +127]. Chuyển từ không gian màu CIE L*a*b* sang không gian màu CIE XYZ. 2.5.3. Tăng cường ñộ sáng ảnh màu kênh a* 2.5.4. Lọc nhiễu bằng bộ lọc trung vị trên ảnh màu kênh a* 2.5.5. Loại bỏ khuyết ñiểm ở bên ngoài ñối tượng sử dụng phép mở ảnh Phép xử lý hình thái học – phép mở ảnh ñược sử dụng ñể loại bỏ một số ñiểm nhiễu còn sót lại ở khu vục nền của ảnh và những khuyết ñiểm có kích thước nhỏ. Qua quá trình phân tích và thử nghiệm nhiều phần tử cấu trúc khác nhau, tác giả ñề xuất phần tử cấu trúc không phẳng có hình quả bóng (thực chất là hình Ellipse) với bán kính R=1, ñộ cao H=3. 2.5.6. Phân ñoạn ảnh 2.5.6.1. Phân ñoạn dựa trên ngưỡng toàn cục - thuật toán Otsu Thuật toán Otsu ñược sử dụng ñể tự ñộng lấy ngưỡng của ảnh dựa trên hình dáng của lược ñồ mức xám của ảnh hoặc giảm mức ñộ xám của ảnh ñầu vào thành ảnh nhị phân. Thuật toán thực hiện qua các bước sau [19]: 19 a. Chọn một giá trị ước lượng khởi tạo cho T ( thường là giá trị trung bình mức xám trong ảnh). b. Sử dụng T ñể phân ñoạn ảnh. Kết quả của bước này sẽ tạo ra 2 nhóm ñiểm ảnh: G1 chứa tất cả các ñiểm ảnh với giá trị mức xám > T và G2 chứa các ñiểm ảnh với giá trị mức xám ≤ T. c. Tính mức xám trung bình trong nhóm G1 là µ1 và trong nhóm G2 là µ2. d. Tính ngưỡng mới dựa vào µ1 và µ2: T = (µ1 + µ2) / 2 e. Lặp lại bước 2 ñến 4 cho ñến khi nào giá trị của T trong các lần lặp liên tiếp nhỏ hơn một giá trị ñịnh trước T∞. Qua quá trình thử nghiệm và phân tích, tác giả ñề xuất chỉ lấy ngưỡng toàn cục Otsu nằm trong khoảng [0.4, 0.55]. 2.5.6.2. Phân ñoạn sử dụng thuật toán k – Means Trong xử lý ảnh, k-Means phân ñoạn ảnh thành nhiều lớp khác nhau dựa trên khoảng cách vốn có giữa các ñiểm ảnh (giá trị mức xám). Thuật toán giả sử rằng tập các giá trị ñầu vào là một không gian vector và cố gắng tìm ra các cụm (lớp) một cách tự nhiên giữa chúng. Đôi với bài toán này